regionalizacion litoral ecuatoriano

REGIONALIZACION CLIMÁTICA (PRELIMINAR) DEL LITORAL

ECUATORIANO, UTILIZANDO 3 METODOLOGÍAS PARA LA

AGRUPACIÓN DE ZONAS/ESTACIONES HOMOGÉNEAS, EN

TORNO AL PROYECTO ÍNDICES – ENOS.

Jorge Hurtado Pidal

Email. [email protected]

Fabián Suntaxi Aluisa

Email. [email protected]

Palabras Clave: Zonificación, Clusters, ISODATA, MultiSpec, Análisis Digital

de Imágenes, Análisis Espacial, Pseudobandas, Variables Climáticas,

Estaciones Meteorológicas, K-Medias, SPSS, Vector Regional, Correlación,

Hydraccess.

1. RESUMEN.

Se utilizaron tres técnicas de agrupación de zonas homogéneas, una de

tipo Geomática otra Estadística y la ultima de tipo Hidrológica -

Estadística, mientras que la primera (Zonificación Espacial) tiene su fuerte

en el análisis espacial por el tipo de información que se utiliza, la segunda

(Clustering) analizan la serie de tiempo de las estaciones y hace

agrupaciones por el parecido entre ellas a partir la distancia euclidiana, la

tercera (Vector Regional) analiza la correlación de las estaciones respecto

a un Vector Regional que es una estación ficticia que representa una zona

climática homogénea. Con la primera técnica que se basa en el algoritmo

ISODATA implementado en el software MultiSpec, se hallaron 5 zonas

espacialmente homogéneas a partir de la base de datos Geográfica

Climática “World Clim”, la segunda técnica encontró 3 grupos

homogéneos con la base de datos de las estaciones de INAMHI, y

haciendo un análisis de concordancia (zonas vs clusters) se determinó una

mailto:[email protected]

mailto:[email protected]

Proyecto INDICES - ENOS Regionalización Climática del Litoral Ecuatoriano SENECYT - INAMHI

Jorge Hurtado Pidal Fabián Suntaxi Aluisa Página 2

concordancia de un 90% analizando la precipitación de 54 estaciones, y de

un 100% cuando se analizó tanto precipitación y temperatura de 16

estaciones. En la aplicación del Vector Regional, como tercera técnica, se

formaron grupos acordes a la zonificación espacial (primera técnica) y

también en base a su cercanía para proceder a generar 72 vectores

regionales distribuidos en las diferentes zonas, la correlación general de

las estaciones por zonas fue de 0.85. Por tanto los resultados de la

segunda y tercera técnica han validado a la primera.

2. INTRODUCCIÓN.

La regionalización o zonificación climática del litoral es el primer paso en el

proyecto INDICES ENOS, la misma que permitirá encontrar las zonas de

mayor y menor humedad1 por sus características climáticas, de

precipitación y temperatura y así trabajar en un siguiente paso, para

determinar la climatología de una zona específica, a partir de series

temporales de precipitación y temperatura, de bases que se están

terminando de evaluar, así mismo la zonificación podrá más adelante,

orientar los procesos de correlación estadística, entre las condiciones

oceánicas y atmosféricas que determinan el régimen de precipitación

durante el fenómeno de El Niño, es decir poder determinar, por ejemplo,

si hay mayor relación de la temperatura superficial del mar, con la

climatología de ciertas zonas.

El objetivo de esta parte del proyecto INDICES-ENOS es utilizar 3

metodologías (Figura 5) para validar los resultados unos con otros, es decir

las metodologías son complementarias entre ellas. Primero una técnica

Geomática de clasificación de imágenes, que se llama ISODATA (Iterative

Self Organizing Data Analysis Technique) con el software MultiSpec, que

consiste en agrupar “pixeles” en una imagen multibanda a partir de la

distancia espectral, las bandas o mejor dicho pseudobandas de esta

imagen constituyen las grillas o rasters de las 14 variables bioclimáticas de

World Clim que se derivan de la precipitación y temperatura para de esta

1 Humedad Ambiental, es la cantidad de vapor de agua presente en el aire.



forma encontrar zonas homogéneas. La segunda metodología se basa en

un análisis de conglomerados (cluster analisys en inglés) que es una

técnica multivariante que permite agrupar los casos (estaciones) de un

archivo de datos en función del parecido o similaridad existente entre

ellos, se usó la técnica de K-Medias con el software estadístico SPSS

utilizando la base de datos de INAMHI de precipitaciones medias

mensuales (56 estaciones) y también temperaturas máximas y mínimas

medias mensuales (16 estaciones). Se pueden decir que la primera y

segunda técnica son muy parecidas conceptualmente, lo que cambia es el

tipo de dato (raster o Tabla de series), fuente de datos (World Clim o

INAMHI) la metodología de agrupación (ISODATA y K-Medias). Por último

se aplicó la técnica del vector regional con el software Hydraccess que

analiza la correlación entre las estaciones y el vector generado por ellas en

el mismo grupo, esto nos da un panorama de cómo es el comportamiento

climático en la zona seleccionada a través de una serie total por zona.

3. OBJETIVO.

Hacer una regionalización (con validación) del Litoral Ecuatoriano a partir

de la comparación de 3 metodologías y/o software como son: MultiSpec

(Geomático), SPSS (Estadístico), Hydraccess (Hidrológico).

3.1. Objetivos Específicos.

Zonificar espacialmente la región del Litoral Ecuatoriano a partir de un

algoritmo Geomático de clasificación de datos (ISODATA), utilizando

variables de precipitación y temperatura de la base climática “World

Clim” a manera de Pseudobandas.

Agrupar estadísticamente las estaciones hidrometeorológicas en base a

las series de precipitación y temperatura con la técnica de K-Medias y

usar la agrupación en la validación de la Zonificación Espacial.



Determinar el Vector Regional para la precipitación en cada zona

climática homogénea del Litoral Ecuatoriano, con sus respectivas

correlaciones usando el software Hydraccess, mediante la agrupación

de estaciones por zonas para usar la correlación como una segunda

validación.

4. AREA DE ESTUDIO.

El área de estudio para esta regionalización climática, de acuerdo al

proyecto corresponde a la región del Litoral Ecuatoriano2, delimitada para

este caso entre 0 y 1000 msnm.

Figura1. Región del litoral ecuatoriano, delimitada a partir de 1000msnm.

2 La siguiente fase de la regionalización incluye las Islas Galápagos.



5. MARCO TEORICO.

Imagen Multiespectral

Una imagen Multiespectral es una imagen compuesta de muchas bandas

(Figura 2), cada banda representa un tipo diferente de información, en el

caso de las imágenes de satélite cada banda recoge la respuesta espectral

de una cobertura en determinado rango del espectro electromagnético

pero en este caso las bandas, o mejor dijéramos pseudobandas (ya que no

son respuesta espectral), son variables climáticas de precipitación y

temperatura.

Figura2. Esquema de una imagen multiespectral.

Proceso de Agrupación (clusters) o Formación de Clases

La delimitación de cada grupo espectral se inicia señalando dos criterios:

uno que mida la similitud entre pixeles, y otro que marque las condiciones

del proceso de agrupamiento. En cuanto al primer aspecto, se han

propuesto diversos criterios para medir la distancia entre pixeles. El más

utilizado se basa en la distancia euclidiana (Chuvieco, 2008):



[Ecuación 1]

Donde:

da,b; indica la distancia entre dos pixeles cualquiera a y b.

NDa,i y NDb,i; los niveles digitales de esos pixeles en la pseudobanda i (que

en este caso son variables de precipitación y temperatura).

m; el número de pseudobandas (14 en este caso).

También pueden utilizarse otros criterios para medir la distancia entre

pixeles, como sería el caso de la distancia media o la de Mahalanobis

(Rebollo y Orti, 1980), si bien la distancia euclidiana resulta la más habitual

en este tipo de aplicaciones (Chuvieco, 2008).

Algoritmo ISODATA (The Iterative Self-Organizing Data Analysis).

En cuanto al algoritmo de agrupamiento, las opciones también son muy

numerosas. Uno de los más extendidos es el denominado ISODATA (Duda

y Hart, 1973), gracias a contar con un mecanismo iterativo bastante

sólido. En esencia, este algoritmo procede a partir de las siguientes fases:

1. Se señalan una serie de centros de clase, de acuerdo al número (p.e. 5

clases) y forma (p.e. aleatorio) indicados.

2. Se asignan todos los pixeles de la imagen al centro de clase más

próximo, utilizando el criterio de distancia indicado.

3. Se calculan de nuevo los centros de clase, teniendo en cuenta los

valores de todos los pixeles que se le hayan incorporado en la fase

anterior.

4. Se reordenan los centros de clase en función de los parámetros de

control indicados por el usuario (distancia mínima entre grupos,

tamaño mínimo de un grupo, varianza máxima de un grupo y número



de grupos), aquí cabe aclarar que el cluster es dividido (Cluster B,

Figura3) si hay una o más desviaciones estándar que las definidas por

el usuario en el “threshould” (umbral), y en cambio son fusionados dos

cluster’s (Cluster A, Figura3) si la distancia entre ellos son menores a

las definidas en el “threshould” por el usuario.

5. Se vuelven a asignar todos los pixeles de la imagen al centro más

cercano, (a partir de aquí el algoritmo se vuelve más estable).

6. El algoritmo ISODATA repite el agrupamiento de la imagen hasta que

se ejecute el número máximo de iteraciones o se alcance el máximo

porcentaje de asignación de píxeles no cambiados entre dos

iteraciones.

Figura3. Esquema de formación de clusters. Cluster A.

Desde el punto de vista estadístico, este algoritmo parece bastante

adecuado para delimitar los grupos de valores homogéneos dentro de la

imagen (Rebollo y Orti, 1980).

Algoritmo K-Medias.



Otro método muy conocido, el de “agrupación de medios -k” o “K-

Medias”. Igual que en ISODATA se deben especificar el número de

conglomerados.

El objetivo del algoritmo K-Medias es minimizar la variabilidad dentro del

cluster. La función objetivo (la cual va a ser minimizada) es la suma de las

distancias al cuadrado (error) entre cada estación y el centro del cluster

asignado.

[Ecuación 2]

Donde:

C(x); es la media del cluster del cual la estación x ha sido asignada.

Minimizar SSdistanceses es equivalente a minimizar el error medio cuadrático

(EMC). El EMC es una medida de la variabilidad dentro del cluster.

Figura 4. Variabilidad dentro del cluster.

Como se ve en el esquema de la Figura 4 el objetivo es maximizar la

diferencia entre los cluster relativa a la variación dentro de los mismos.

Método Del Vector Regional (Hydraccess)



El MVR es un método de cálculo orientado a tres tareas definidas: La

crítica de datos, la homogenización y la extensión-relleno de series

estadísticas. La hipótesis fundamental se basa, en asumir que para una

misma zona climática sometida a un mismo régimen, los totales anuales

son pseudo-proporcionales, con una pequeña variación aleatoria cada año

debido a la repartición de las lluvias dentro de la zona. (Jhan Carlo

Espinoza, 2005)

La idea básica del MVR es: en lugar de comparar dos por dos estaciones

por correlación o doble masa, como se hace en los métodos clásicos, se

elabora una estación ficticia que sea una “especie de promedio” de todas

las estaciones de la zona, con la cual se comparan cada una de las

estaciones.

El MVR emplea entonces, para el cálculo de esta estación “Vector” el

concepto de un Valor Medio Extendido al periodo de trabajo, salvando los

problemas del peso de estaciones más caudalosas sobre las menos

caudalosas (como ocurriría con un promedio simple) y la existencia de

datos faltantes o diferentes periodos de funcionamiento (que calcularían

promedios alterados en caso de tener solamente años húmedos o

solamente años secos de determinada estación) como ocurriría al obtener

valores estandarizados o centrados. (Jhan Carlo Espinoza, 2005)

Dos métodos concurrentes fueron elaborados en el ORSTOM – IRD por G.

Hiez y Y. Brunet Moret. El método de G. Hiez se basa en el cálculo de la

moda (valor más frecuente), mientras que el de Y. Brunet Moret se basa

en el promedio, eliminando los valores demasiado alejados del promedio

para evitar contaminar demasiado las estimaciones con datos

evidentemente erróneos. Cada método estima una media extendida para

cada estación sobre el período de trabajo, y calcula los índices anuales de

cada estación, obtenidos al dividir el valor observado en una estación para

un año por ésta media extendida. (Jhan Carlo Espinoza, 2005)



6. METODOLOGÍA.

La metodología seguida se indica en el siguiente modelo conceptual.

Figura 5. Modelo conceptual del proceso de regionalización climática.

Lo que indica la Figura 5 es que el primer producto en obtenerse es la

zonificación espacial con el algoritmo ISODATA usando la base World Clim,

posteriormente este resultado es validado a partir de proceso de

clustering de la serie temporal de la base de INAMHI de las estaciones, si

hay un alto grado de concordancia se realizan los vectores regionales

utilizando para cada uno las estaciones correspondientes a cada zona,

esto a manera de una segunda validación a partir de las correlaciones

obtenidas, si por el contrario la zonificación espacial no concordaría con el



clustering, los vectores regionales se harían con estos últimos como una

tercera validación entre ambos, sin embargo esto no ocurrió, pero era

importante tenerlo previsto, y por último se plantea la generación de las

series temporales por zona o grupo.

6.1. ZONIFICACIÓN ESPACIAL (CLUSTERING ESPACIAL).

6.1.1. Base de Datos Climática “WORLD CLIM”

Aquí se refiere a las pseudobandas utilizadas para el proceso de

agrupamiento. Como se decía no se utiliza información espectral como el

caso de una imagen satelital, sino mas bien variables climáticas, que están

disponibles y que se pueden descargar de forma libre, del portal “World

Clim”3, en formato GRID *.grd (imágenes RASTER) de ESRI. Esta base de

datos fue desarrollada por la Universidad de California, Berkeley (entre

otros), contiene 19 variables bioclimáticas de cobertura mundial (Figura

4), de 1km de resolución espacial, esta base de datos climática es

ampliamente utilizada en estudios ambientales a nivel mundial, es un gran

esfuerzo de colaboración internacional, ya que fue elaborada a partir de

los datos recopilados de las estaciones de los servicios meteorológicos y

otras instituciones alrededor del mundo, sus datos son representativos

para el período 1950 – 2000.

3 http://www.worldclim.org/download



Figura 6. Variables Climáticas De World Clim Y Encerradas En Rojo Aquellas Utilizadas

Para La Zonificación Climática.

De acuerdo a la Figura 4 las variables a utilizar son:

VARIABLES DE TEMPERATURA

Temperatura media anual Temperatura máxima del mes más caliente.

Temperatura máxima del mes más frío.

Temperatura media del trimestre más húmedo. Temperatura media del trimestre más seco.

Temperatura media del trimestre más caliente. Temperatura media del trimestre más frío.

VARIABLES DE PRECIPITACIÓN

Precipitación anual Precipitación máxima del mes más caliente.

Precipitación máxima del mes más frío.

Precipitación media del trimestre más húmedo. Precipitación media del trimestre más seco.

Precipitación media del trimestre más caliente. Precipitación media del trimestre más frío.

Tabla1. Variables Usadas en la Zonificación.



Las variables seleccionadas son aquellas relacionas a la estacionalidad (por

trimestres) y a la periodicidad anual, y con las cuales se obtuvieron los

mejores resultados, las demás fueron descartadas al no aportar una

mejoría significativa en la zonificación.

6.1.2. Procesamiento.

Los procesos seguidos para obtener la “Imagen Climática4” fueron:

Corte: Utilizando una máscara para delimitar el área de interés

(Litoral<=1000msnm). El Anexo1 muestra las variables climáticas

utilizadas “cortadas” para la zona de estudio de este trabajo.

Composición multibanda o “Layer Stack”: Para unir todas las

pseudobandas en un mismo raster, para confeccionar la “Imagen

Climática”.

6.1.3. Clasificación “Imagen Climática”

Utilizando el software libre MultiSpec, para análisis digital de imágenes

multiespectrales, desarrollado por la Universidad de Purdue (Larry Biehl),

se procedió a realizar una clasificación no supervisada usando el algoritmo

ISODATA. A continuación la ventana de conFiguración para la corrida del

algoritmo.

4 La imagen climática realmente es una “composición multi-pseudobanda de variables climáticas” sin

embargo nos seguiremos refiriendo a esto como imagen climática ya que es un término mas simplificado y fácil de entender.



Figura 7. ConFiguración de la inicialización del Algoritmo ISODATA en MultiSpec

Respecto a los parámetros utilizados:

Use single pass clusters: esta opción de inicialización define el centro del

cluster en base a un muestreo aleatorio en la imagen que compone el área

de análisis, luego en base a la distancia euclidiana asigna el pixel al cluster

más cercano como se había dicho anteriomente.

Convergence: Se refiere al porcentaje de pixeles que deben permanecer

en el mismo cluster entre iteraciones5.

5 Este es uno de los criterios usados para finalizar el algoritmo, otro puede ser el número máximo de

iteraciones



Minimun cluster size: Tamaño mínimo del cluster en pixeles.

Distance 1 (First Line) y Distance 2 (Other lines): Es la distancia mínima (en

las unidades de la variable) a la cual debe estar un pixel para asignarse a

un cluster. Si la distancia es más grande se crea un nuevo cluster.

6.2. AGRUPACION DE LAS ESTACIONES (CLUSTERING ESTACIONES).

6.2.1. Base Climática INAMHI.

Para esta parte se utilizó una base de datos de estaciones de INMAHI e

INOCAR principalmente, que tienen precipitación (54 estaciones, anexo 3)

y temperatura (18 estaciones, anexo 4). No nos extenderemos en esta

parte, para más información remitirse al “Informe Preliminar De Base De

Datos” que se ha generado también dentro del proyecto INDICES-ENOS,

donde se explica más sobre las características de esta “Base Climática

INAMHI”.

6.2.2. Obtención de estadísticos.

Primero se confeccionó una Tabla con la media mensual acotada al 10%

(para descartar valores extremos) de precipitación con las 54 estaciones,

para hacer un clustering. Después se hizo una Tabla con la media mensual

acotada al 10% de temperatura máxima y mínima con 18 estaciones, y con

esta última se hizo una intersección de Tablas con la primera de

precipitación con un campo en común para obtener una nueva Tabla con

16 estaciones que contenían tanto precipitación como temperatura

(anexo 5) de la serie 1981 – 2010, que después se homogenizó o reescaló

de 0 a 1 (ecuación 3) para el segundo análisis de clustering.

[Ecuación 3]

Donde:

)min()max(

)min(

*,*,

*,,'

,

jj

jji

jiaa

aaa



; es el valor homogenizado (rango de 0 a 1).

; es el valor en la escala original

; valor mínimo de la variable j en el conjunto de datos.

; valor máximo de la variable j en el conjunto de datos.

6.2.3. Determinando el número de Clusters.

El método de K-Medias necesita que especifique el número de cluster, sin

embargo no existe ningún criterio general que nos permita determinar el

número óptimo de clusters, pues influyen factores como el número de

elementos con valores extremos, las distribuciones que siguen las

variables … etc (Hair, J.F., Anderson, R.E., Tatham, R.L. y Black, W.C. 1999),

sin embargo ayuda mucho examinar el dendrograma para determinar el

numero optimo de agrupaciones, además otro aspecto a tener en cuenta

es el número de elementos por cluster.

Usando la base de 54 estaciones con precipitación, el dendrograma

obtenido en el software R es el siguiente (código anexo 5).

Figura 8. Dendrograma de 54 estaciones usando la variable precipitación.



De la Figura 8 se puede concluir que 3 es un número adecuado de Clusters

para este caso para maximizar la diferencia entre ellos y minimizarla

dentro de cada uno.

Y para complementar esta parte a manera de prueba, se hizo el proceso

de agrupación con 5 clusters y con 3 clusters, como se ve a continuación:

a. 3 clusters b. 5 clusters.

Figura9. (a) Número de casos para 3 clusters. (b) Número de casos para 5 clusters.

Cuando usamos 5 clusters solamente 2 casos se asignan a un grupo y 4

casos a otro. Mientras que usando 3 clusters el proceso de agrupación es

mejor distribuido.

6.2.4. Aplicación del módulo de clasificación K-Medias en SPSS.

Una vez determinado el numero de Clusters, a continuación se utilizó el

software estadístico SPSS (Statistical Product and Service Solutions), el

mismo que ofrece una variedad de herramientas para el análisis de

clustering con el método de K-Medias. Una característica muy positiva es

que en la salida de resultado se anexa una columna indicando el cluster al

que pertenece cada caso o estación.



Figura 10. Pantalla de SPSS para el análisis de Clustering.

Se hicieron dos ensayos, el primero es solo con 12 variables de

precipitación media mensual (1981-2010) acotada de 54 estaciones. Y el

segundo en con 36 variables de precipitación y temperatura media

mensual acotada y estandarizada de 16 estaciones (1981-2010).

Además de un reporte con las estadísticas del proceso se añaden a la

Tabla de datos dos columnas una con el cluster al que pertenece cada

caso y otra con la distancia al centro del cluster.



Tabla2. Estaciones con el cluster al que pertenecen y la distancia al centro del cluster.

6.2.5. Validación de la zonificación espacial con el clustering de

estaciones.

Descripción del modelo cartográfico de la Figura 11 que indica los pasos

seguidos en SIG como modelo lógico para la validación.

Se vectoriza el archivo raster de zonificación climática.

Se despliegan los puntos de las estaciones de acuerdo a las

coordenadas de la base de datos, que ya contienen un campo con el

cluster al que pertenecen (cruce de Tablas).

Se hace una unión espacial (Spatial Join) de elementos entre los

polígonos de las zonas climáticas y los puntos de las estaciones para

saber a qué zona climática pertenece cada estación (Figura 10).

Se generan mapas temáticos.

Se exporta la Tabla del SIG producto de la unión espacial de

polígonos (zonas) y puntos (estaciones).

Se analiza el porcentaje de variabilidad de clusters dentro de la

zona.



Figura11. Modelo cartográfico para la validación de la zonificación espacial (MultiSpec)

con el clustering de estaciones (SPSS).

Figura 12. Unión espacial de puntos y polígonos para transferencia de atributos.

MODELO LÓGICO - CARTOGRÁFICO PARA LA VALIDACION DE LA ZONIFICACION ESPACIAL CON EL CLUSTERING DE ESTACIONES

ZONAS CLIMÁTICAS HOMOGENEAS CON ISODATA (RASTER)

VECTORIZACION

ZONAS CLIMÁTICAS HOMOGENEAS CON

ISODATA (POLIGONOS)

TABLAS DE COORDENADAS DE LAS ESTACIONES

TABLAS DE CLUSTERING DE LAS

ESTACIONES

JOIN (CAMPO EN COMUN: ID ESTACIONES)

TABLA CON COORDENADAS Y CLUSTER AL QUE PERTENECEN

DESPLIEGUE DE PUNTOS EN SIG

PUNTOS DE LAS 16 ESTACIONES CON UN INFORMACION DEL

CLUSTER AL QUE PERTENECEN

JOIN ESPACIAL (PUNTOS Y

POLIGONOS)

ESTACIONES (PUNTOS) CON INFORMACION DEL CLUSTER Y ZONA CLIMATICA A LA QUE

PERTENECEN

EXPORTACIND E TABLAS, ANALISIS

RESULTADOS

GENERACION DE MAPAS

TEMATICOS



Los Tablas y Mapas de resultados de esta parte se indican en el apartado

7.2.

6.3. VECTOR REGIONAL (CORRELACION DE ESTACIONES)

Para esta parte también se usaron las 54 estaciones de la “Base Climática

INAMHI” que se menciona en el apartado 6.2.1.

6.3.2 Criterios de Selección.

Se agruparon estaciones que pertenecen a una misma zona climática

homogénea (obtenidas con la primera técnica). Para esto se utilizó la

cobertura de estaciones de la Figura 11 que se generó en el proceso de

validación con clusters. Y en las zonas como la 1 y 2 que tienen varias

estaciones se formaron 2 grupos de estaciones que espacialmente están

separados.

Figura 13. Demarcación de las zonas y ubicación de las 54 estaciones

meteorológicas.



6.3.3 Procesamiento de los Datos.

Se creó en Excel una Tabla llamada HA_Multiestaciones.xls que contiene

las 54 estaciones meteorológicas con los siguientes datos: precipitación

mensual de cada año en mm, las coordenadas geográficas de latitud y

longitud, el código de la estación, el nombre de la estación, la zona

climática a la que pertenece.

Se procedió a generar las Tablas de los diferentes meses para el periodo

1981-2010, para cada zona (o grupo según el caso).

Figura 14. Pantalla con la Tabla HA_Multiestaciones de la zona 1 grupo2 del periodo

1981-2010.

6.3.4 Uso del Hydraccess para generar el Vector Regional.

Se carga la Tabla de Excel HA_Multiestaciones.xls que se creó con los

datos de precipitación de esa zona. (Figura 14)



Figura 15. Menú del Hydraccess_Vector regional

En la Tabla Excel aparecen los parámetros multi-estaciones que son los

valores mensuales de precipitación, tipos de datos mensuales y el mes de

trabajo para el que vamos a generar el vector regional; en los parámetros

de procesamiento se especifica el año de inicio y de final de trabajo

Luego se calcula y se genera en el Vector Regional de índices anuales una

nueva Tabla apareciendo las estaciones meteorológicas y los años que

están involucradas en el proceso. (Figura 16)

Figura 16. Estaciones meteorológicas y años involucrados en el periodo 1980-2010.



Se genera una nueva Tabla de Excel llamada HA_vector.xls la cual contiene

varias pestañas cada una con diversos parámetros y los análisis del

conjunto de éstos, ello permite discernir un análisis adecuado de la

calidad de las estaciones, y a través de las correlaciones puede verse que

correlaciones son muy bajas o negativas, se espera que las estaciones de

una misma zona climática tengan altos valores de correlación.

Tabla 3. Parámetros y análisis del mes de Enero periodo 1981-2010 (en amarillo las

bajas correlaciones)

También dentro de la pestaña grafico índices se genera una gráfica de los

índices de las estaciones meteorológicas y el Vector Regional en la cual se

puede observar que estaciones están fuera de los límites superiores e

inferiores del Vector Regional para proceder a apartarlas y generar un

nuevo Vector Regional para obtener una Tabla definitiva. (Figura 17)

Figura 17. Gráfico de Vector Regional (línea roja resaltada) del mes de Enero del

periodo 1981-2010.

Id Estación

No

Años

D.E.

Obs.

Coef.

Variación

Media

Obs.

Media

Calculada

Media

Desvíos

D.E.

Desvíos

Homogeneid

ad B.M.

Correl.

/Vector

Lin. a

priori

Lin. a

post. Proporcionalidad

Calidad(

/10)

Evaluación(

/10)

M0003_P_M1_(mm) 31 101.2 1.499 67.5 73.9 -0.087 0.572 0.528 0.94 1.03 0.55 0.4041 0.9 0.8

M0013_P_M1_(mm) 29 118.2 1.004 117.8 107.1 0.099 0.384 0.035 0.941 0.88 0.94 0.4565 0.4 0.4

M0014_P_M1_(mm) 30 493.7 2.836 174.1 591.7 -0.639 0.912 0.312 0.708 0.88 0.91 0.7362 0 0

M0017_P_M1_(mm) 30 82.3 0.931 88.4 70.7 0.231 0.711 0.643 0.81 1 0.85 0.4348 0.6 0.6

M00021_P_M1_(mm) 31 188.8 2.242 84.2 160.5 -0.475 0.758 0.462 0.862 1.24 1 0.6346 0 0

M00023_P_M1_(mm) 31 106.3 1.166 91.1 85.3 0.068 0.604 0.598 0.879 1.04 0.91 0.4601 0.4 0.4

M00026_P_M1_(mm) 31 73.6 1.131 65.1 54 0.206 0.702 0.915 0.886 0.99 0.79 0.4028 0.9 0.9

M00034_P_M1_(mm) 30 105.6 1.029 102.6 95.8 0.07 0.524 0.127 0.878 0.8 0.5 0.2529 3.8 3.8

M00036_P_M1_(mm) 31 93.3 0.682 136.8 116.3 0.176 0.631 0.745 0.767 1.27 0.7 0.3558 1.5 1.5

M00050_P_M1_(mm) 25 102.4 0.618 165.7 115.5 0.507 0.691 0.133 0.855 0.84 0.59 0.3035 2.5 2.5



7. RESULTADOS.

7.1. RESULTADOS DE LA ZONIFICACION ESPACIAL.

Figura 18. Zonificación Climática usando 14 variables climáticas (World Clim) e

ISODATA.

En esta parte correspondiente a la Zonificación Espacial se define

estadísticamente cada una de las 5 zonas encontradas, (el anexo 2,

muestra Tablas con los estadísticos de cada zona para las variables

usadas).

Así las zonas encontradas quedan definidas explícitamente de forma

estadística. Por ejemplo se podría decir, de acuerdo a esta clasificación

que:



La ZONA 1 se asemeja a un clima de “Litoral Semi Arido” y se caracteriza

por tener una temperatura media anual de 24.5°C y una precipitación

anual de 604 mm. Una temperatura mínima de 19.3°C en el trimestre mas

frio y una máxima de 27°C en el trimestre más caliente. Una precipitación

mínima de 0 mm en el trimestre más seco y una precipitación máxima de

697 mm en el trimestre más húmedo.

La ZONA 2 se asemeja a un clima “Tropical Seco” y se caracteriza por tener

una temperatura media anual de 24.6°C y una precipitación anual de 1280

mm. Una temperatura mínima de 18.5°C en el trimestre mas frio y una

máxima de 26.9°C en el trimestre más caliente. Una precipitación mínima

de 2 mm en el trimestre más seco y una precipitación máxima de 1105

mm en el trimestre más húmedo.

La ZONA 3 se asemeja a un clima “Tropical Semi Humedo” y se caracteriza

por tener una temperatura media anual de 24.6°C y una precipitación

anual de 2001 mm. Una temperatura mínima de 18.2°C en el trimestre

mas frio y una máxima de 26.7°C en el trimestre más caliente. Una

precipitación mínima de 10 mm en el trimestre más seco y una

precipitación máxima de 1507 mm en el trimestre más húmedo.

La ZONA 4 se asemeja a un clima “Tropical Humedo” y se caracteriza por

tener una temperatura media anual de 24.2°C y una precipitación anual de

2713 mm. Una temperatura mínima de 19.2°C en el trimestre mas frio y

una máxima de 26.6°C en el trimestre más caliente. Una precipitación

mínima de 34 mm en el trimestre más seco y una precipitación máxima de

1728 mm en el trimestre más húmedo.

La ZONA 5 se asemeja a un clima “Tropical Súper Húmedo” y se

caracteriza por tener una temperatura media anual de 24.3°C y una

precipitación anual de 3547 mm. Una temperatura mínima de 19.8°C en el

trimestre mas frio y una máxima de 26.4°C en el trimestre más caliente.

Una precipitación mínima de 224 mm en el trimestre más seco y una

precipitación máxima de 1999 mm en el trimestre más húmedo.



De forma general la precipitación va aumentando y la temperatura

disminuyendo progresivamente desde la zona 1 hasta la 5. Sin embargo la

temperatura mínima en el trimestre mas frio es más alta en la zona 5

(19.8°C) que en la zona 4 (19.2°C), debido al efecto de la humedad en el

ambiente.

7.2. RESULTADOS DEL CLUSTERING DE ESTACIONES.

Como se ha venido diciendo tenemos en esta parte dos resultados uno

con 54 estaciones haciendo el clustering solo a partir de precipitación el

cual cuyos resultados se orientan a la validación de la zonificación

espacial. Y otro con 16 estaciones a partir de precipitación y temperatura

que servirían igualmente de validación de la zonificación espacial.

Clustering con 54 estaciones (12 variables de precipitación)

Figura 19. Mapa de estaciones por cluster de precipitación

En la Figura 19 se puede apreciar cómo se forman los 3 clusters

superponiéndose a las 5 zonas.



(a). Número de casos: Zonas vs Clusters.

(b). Porcentaje de variabilidad dentro de cada Zona.

Tabla 4. (a) Número de casos y (b) Porcentaje de variabilidad en las zonas, con los 3

cluster de 54 estaciones usando solo precipitación.

La Tabla 4 indica que en la zona 1 hay 21,43 % del cluster 1, 78,57% del

cluster 2 y 0% del cluster 3. Así sucesivamente para cada zona, obteniendo

que en promedio el grado de concordancia entre zonas y cluster es de

90%. La mayor diferencia está en la zona 3, pero hay que tomar en cuenta

que en la zona 3 hay 3 estaciones, 2 del cluster 1 y 1 del cluster 3 que está

en el límite de la zona, considerando el error de georreferenciación de las

estaciones y la escala de la zonificación (con 1km de tamaño de grilla),

este error es despreciable.

Clustering con 16 estaciones (36 variables de precipitación y

temperatura)

Y de igual forma ahora que consideramos 36 variables de precipitación y

temperatura, las zonas no presentan variabilidad de clusters dentro de

ellas como se ve en la Tabla5.

Suma de 1 CLUSTER

ZONAS 1 2 3 Total general

0 2 3 1 6

1 6 22 28

2 11 1 12

3 2 1 3

4 5 5

Total general 21 26 7 54

ZONA/CLUSTER 1 2 3 SUMA

1 21.43 78.57 0.00 100.00

2 91.67 8.33 0.00 100.00

3 66.67 0.00 33.33 100.00

4 0.00 0.00 100.00 100.00

CONCORDANCIA DENTRO DE CADA ZONA



(a). Número de casos: Zonas vs Clusters.

(b). Porcentaje de variabilidad dentro de cada Zona.

Tabla5. (a) Número de casos y (b) Porcentaje de variabilidad en las zonas, con los 3

cluster de 16 estaciones usando precipitación y temperatura.

En este caso el grado de similitud es mayor que en el anterior, esto

también debido al menor número de estaciones usadas. Un caso

importante de analizar es en la zona 2, donde hay una estación del cluster

1 en el límite de la zona y 1 estación del cluster 2, por tanto si obviamos

este caso especial, la concordancia es del 100%.

Figura 20. Mapa de estaciones por cluster de precipitación y temperatura

Suma de n1 CLUSTER

ZONAS 1 2 3 Total general

0 1 1

1 7 7

2 1 1 2

3 3 3

4 3 3

Total general 9 4 3 16

ZONA/CLUSTER 1 2 3 SUMA

0 100.00 0.00 0.00 100.00

1 100.00 0.00 0.00 100.00

2 50.00 50.00 0.00 100.00

3 0.00 100.00 0.00 100.00

4 0.00 0.00 100.00 100.00

CONCORDANCIA DENTRO DE CADA ZONA



Esto muestra que la Zonificación Espacial con el algoritmo ISODATA y la

base World Clim han funcionado muy bien para la zonificación climática

del Litoral Ecuatoriano, teniendo un alto grado de concordancia con el

proceso de clustering de las estaciones con la Base Climática INAMHI.

Inclusive esas partes de la zona 1 en Esmeraldas que parecen aisladas

respecto al entorno tienen estaciones del cluster 1 (triángulos negros

Figura 20).

Como nota explicativa se menciona que si bien la simbología es la misma

para los clusters en la Figura 19 y 20, los cluster asociados a cada zona

(cluster 1, cluster 2 o cluster3), no son iguales, mientras que el primer

ensayo es el cluster 2 el asociado a la zona 1 (Figura19), en el segundo

ensayo es el cluster 1 asociado a la zona 1 (Figura 20).

7.3. RESULTADOS DEL VECTOR REGIONAL POR ZONAS.

El resultado proporcionó una Tabla de correlación del Vector Regional

usando las estaciones dentro de cada zona, además de acuerdo a la

cantidad de estaciones se fueron haciendo grupos dentro de una misma

zona pero espacialmente distantes, las zonas 1 y 2 tuvieron 2 grupos cada

uno y la zona 3 y zona 4 un grupo cada uno. En la siguiente Tabla se ve

cuantos vectores hay por cada zona.

ZONAS Grupos Meses

trabajados

Vectores

generados

Total de vectores

generados

ZONA 1 Grupo 1 12 12

24 Grupo 2 12 12


24 Grupo 2 12 12

ZONA3 Grupo 12 12 12


Tabla 6. Vectores generados por grupo en cada zona.

Se constato la correlación entre las estaciones meteorológicas y el vector

generado y las graficas de los índices. En el proceso de selección se



descarto aquellas que no tienen buena correlación tanto estadística y

gráfica, para después hacer una nueva corrida con las estaciones finales

obteniendo los vectores finales de cada zona de estudio.

De acuerdo a cada zona y al número de estaciones, se eliminaron

estaciones cuya correlación estuvo por debajo de 0.8, procurando

mantener el mínimo de 4 estaciones por grupo, que se requieren para

generar el Vector Regional.

A continuación la Tabla 7 Muestra el resumen de correlaciones por zonas y

grupos.

TABLA DE CORRELACIONES

ZONAS grupos CORRELACIONES

ZONA 1 g1 0.7354 0.7824

0.85438

g2 0.8295

ZONA 2 g1 0.8910 0.8934

g2 0.896

ZONA 3 g 0.8366 0.8366

ZONA 4 g 0.9051 0.9051

Tabla 7. Correlación por cada zona

Estas correlaciones en general nos demuestra la gran similitud que tienen

las estaciones meteorológicas dentro de cada Zona Climática Homogénea,

con lo cual se ha realizado la segunda validación de la Zonificación

Espacial.

8. CONCLUSIONES Y RECOMENDACIONES.

8.1. Conclusiones.

Zonificación espacial

La metodología si ha permitido extraer las regiones climáticas, las mismas

que muestran un alto grado de concordancia con los mapas de clima



existentes. Los resultados son posibles de mejorar en cuanto se disponga

de mayor detalle y calidad en los datos de entrada para el algoritmo.

Se han encontrado 5 zonas climáticas bien diferenciadas. La humedad

aumenta a medida que nos internamos en el continente en dirección nor-

oriente, con la temperatura es prácticamente lo mismo.

Clustering de Estaciones.

El proceso de clustering para formar 3 grupos con las 54 estaciones

utilizando 12 variables de precipitación media mensual acotada para el

periodo 1981-2010, con la técnica de K-Medias presentó una

concordancia6 general de 90%, con la zonificación espacial, en zonas con

suficiente número de estaciones. La zona más compatible en este ensayo

fue la zona 4 (100%), le sigue la zona 2 (92%) y por último la zona 1 (79%),

respecto a la zona 3 se concluye que tiene pocas estaciones en su interior

y por tanto no se puede hacer el análisis de concordancia, y la zona 5 peor

aun no tiene ninguna estación.

El proceso de clustering de los 3 grupos con 16 estaciones usando 36

variables de precipitación y temperatura media mensual acotada y

homogenizada de 0 a 1 para el período 1981-2010, con la técnica de K-

Medias presento una concordancia general de 100%, con la zonificación

espacial, excluyendo a la zona 5 que no tiene estaciones y a la zona 2 que

apenas tiene dos.

Vector Regional por Zonas.

En la metodología planteada del vector regional para la zona de estudio,

se observó resultados interesantes respecto a las Zonas Climáticas

Homogéneas donde hubo estaciones, pero en las que no hubo estaciones

(Zona 5), no se pudo obtener el Vector Regional.

6 Es decir las estaciones que caen dentro de determinada zona y que pertenecen al mismo cluster



Dentro de las 5 Zonas Climáticas Homogéneas se presentaron algunas

variantes:

ZONA 1: Esta zona tiene 31 estaciones meteorológicas formando 2 grupos

de 8 estaciones, la correlación entre la zona y el vector regional es de 0.78,

valores bajos asociados a los meses secos de julio, agosto, septiembre y

octubre, del grupo 1 influencian en su baja correlación.

ZONA 2: De 13 estaciones se hicieron 2 grupos notándose una buena

distribución de las estaciones en la zona, a pesar de ser pocas, su

correlación fue de 0.89 que es muy buena.

ZONA 3: A pesar de tener 4 estaciones la correlación fue de 0.84, lo que es

una muy buena correlación para la zona, solo una estación tiene una

correlación muy baja, esta estación no se la pudo quitar porque

Hydraccess necesita mínimo 4 estaciones para hacer el Vector Regional.

ZONA 4: Con las 5 estaciones la correlación es de 0.91 siendo la mejor en

todas las zonas.

ZONA 5: no se obtuvo Vector Regional, porque no tiene estaciones en el

sitio.

A nivel general la correlación de las zonas con el Vector Regional fue de

0.85 siendo muy buena correlación a pesar de tener solo 54 estaciones y

no muy bien distribuidas espacialmente a nivel regional.

Generales

Respecto a las metodologías no podríamos decir si una es mejor que otra,

aunque los algoritmos de la primera y segunda técnica se parezcan

bastante, porque cada técnica utiliza información en formatos diferentes,

por esto es válido decir que las técnicas aquí expuestas son más bien

complementarias.

Respecto a cada zona climática homogénea y las validaciones realizadas,

tanto la técnica de clustering con un 90 de concordancia y el Vector

Regional con una correlación general de 0.85, nos indica que la



Zonificación Espacial a partir del Algoritmo ISODATA y la Base World Clim

es válida. Si bien los procesos de Clustering y Vector Regional nos ayudan

a asociar a las estaciones por su parecido, estas técnicas no muestran

espacialmente la distribución de las Zonas o Regiones Homogéneas como

si lo hace la técnica con el algoritmo ISODATA, sin embargo son técnicas

muy útiles para la validación.

De todas las zonas la 4 es la que mejor resultados tuvo en ambos procesos

de validación; tanto con el Clustering como con el Vector Regional. La

Zona 1 es la que menos concuerda con el Clustering y el Vector Regional,

por tanto esta zona tendría una variabilidad climática no detectada con la

primera técnica. La Zona 5 no tiene validación por ausencia de estaciones.

Se ha validado la metodología de Zonificación Espacial con la técnica de

Clustering y Vector Regional lo que permite replicarla en las Islas

Galápagos en la siguiente fase la regionalización.

8.2. Recomendaciones.

Zonificación Espacial.

Es recomendable si se tienen mapas de referencia en formato digital y

georreferenciados, hacer pruebas de concordancia espacial a partir de

índices kappa por ejemplo para evaluar de otra forma el resultado de la

zonificación.

Clustering de Estaciones.

Sería muy conveniente buscar estaciones de la zona 5, así mismo

aumentar estaciones a las ya existentes en las zonas 2, 3 y 4

principalmente, todo esto con las variables precipitación y temperatura

(máxima y mínima).



Vector Regional por Zonas.

El vector Regional empieza a disminuir y dar datos erróneos en estaciones

que tienen falta de datos de más de 5años, esto se debe corregir haciendo

un proceso de relleno de datos usando algunas metodologías.

Aumentar la densidad de estaciones en Galápagos, además de la Zona 5, y

aumentar a las ya existentes de las Zonas 3 y 4.

Generales

Tanto para la técnica de Clustering, y de Vector Regional se recomienda

usar además de las 54 estaciones manejadas para CPT, otras estaciones

restantes para tener una mayor distribución dentro de cada zona

climática esto nos dará un mayor nivel de confiabilidad en la generación

del Vector Regional.

La principal recomendación seria replicar la zonificación espacial en

Galápagos, ya que aquí no hay muchas estaciones de la “Base Climática

INAMHI” y con las pocas que hay no tiene mucho sentido hacer un

proceso de clustering, y peor aun Vector Regional y por eso ha sido

importante validar la metodología a fin de probar la técnica ISODATA y la

base World Clim ante la ausencia de información de esta escala (1 km).

9. BIBLIOGRAFIA.

Biehl. L, Landgrebe. D, 2011. An Introduction & Reference For

MultiSpec. School of Electrical and Computer Engineering, Purdue

University. Clustering Algorithms.

BRUNET-MORET (1977).Test d'homogénéité.Cahiers ORSTOM, Série

Hydrologie, Vol XIV, nø2

Base de datos climática Inamhi.



Chuvieco, E., 2008. Fundamentos de Teledetección Ambiental, Método

No Supervisado, pp:393-395.

ERDAS Tour Guide. 1999. Capitulo 4, Clasificación. pp:3-12.

Jarrín. F, Análisis relleno y validación de la información de caudales

medios mensuales en la demarcación hidrográfica guayas, INAMHI.

Hair, J.F., Anderson, R.E., Tatham, R.L. y Black, W.C. (1999) Análisis Multivariante (5ª edición). Ed. Prentice Hall.

Hijmans, J. Cameron, S. World Clim – Global Climate Data. Free climate

data for ecological modeling and GIS.

HIEZ (1977)L'homogénéité des données pluviométriques.Cahiers

ORSTOM, Série Hydrologie, Vol XIV, nø2

Jensen, 1996. Unsupervised Classification Algorithms. Landcover

Classification Project, Center for Earth Observation, Yale University.

Jordan, D. Melesse, A., 2002. A Comparison of Fuzzy vs Augmented-

ISODATA Classification Algorithms for Cloud-Shadow Discrimination

fron Landsat Images. Photogrammatric Engineering & Remote Sensing.

Jhan Carlo Espinoza, El Método del Vector Regional de Índices

Pluviométricos PhD. Hydrology – Climatology jhan-

carlo.espinoza@locean ipsl.upmc.fr,septiembre , 2005.

Korgaonkar, G. Sedamkar, R., 2012. Hyperspectral Image Classification.

Mumbai University, India. International Journal of Engineering Research

and Applications.

Lelovics, E. Gal, T. Unger, J. Mapping Local Climate Zones with a vector –

based GIS Method. s/a.

mailto:jhan-carlo.espinoza@locean%20ipsl.upmc.fr,septiembre

mailto:jhan-carlo.espinoza@locean%20ipsl.upmc.fr,septiembre



Moon, W.M., 1993. On mathematical representation and integration of

multiple spatial geosciences datasets. Canadian Journal of Remote

Sensing, 19:63-67.

Moré, G. Pons, X. Burriel, J., 2005. Diferenciación de Cubiertas

forestales para la MCSC a partir de la clasificación de imágenes Landsat.

Universidad Autonoma de Barcelona.

Ninyerola, M. 2000. Modelización climática mediante técnicas de SIG y

su aplicación al análisis cuantitativo de distribución de especies

vegetales en España peninsular, capitulo 3. Tesis doctoral. Universidad

Autónoma de Barcelona.

Patel, N.R. s/a. Remote Sensing and GIS Application in Agro-Ecological

Zoning. Indian Institute of Remote Sensing. Agricultural and Soils

Division. pp: 213-233.

Pérez, C. (2001) Técnicas estadísticas con SPSS. Ed. Prentice Hall.

Páginas web consultadas

http://desastres.unanleon.edu.ni/pdf/2003/julio/Parte1/pdf/spa/doc10

165/doc10165-1a.pdf

http://horizon.documentation.ird.fr/exl-doc/pleins_textes/divers11-

03/010042845.pdf

http://horizon.documentation.ird.fr/exl-doc/pleins_textes/divers11-

03/010042844.pdf

www.mpl.ird.fr/hybam/outils/hydraccess_sp

http://desastres.unanleon.edu.ni/pdf/2003/julio/Parte1/pdf/spa/doc10165/doc10165-1a.pdf

http://desastres.unanleon.edu.ni/pdf/2003/julio/Parte1/pdf/spa/doc10165/doc10165-1a.pdf

http://horizon.documentation.ird.fr/exl-doc/pleins_textes/divers11-03/010042845.pdf




http://www.mpl.ird.fr/hybam/outils/hydraccess_sp



10. ANEXOS.

Anexo1. Variables climáticas de World Clim de la zona de estudio.



Anexo2. Estadísticos de las Zonas Climáticas.

ZONA / ESTADISTICO MIN MAX MED DESVST RANGO

ZONA 1 19,50 25,80 24,53 0,79 6

ZONA 2 18,90 25,90 24,62 0,91 7

ZONA 3 18,40 26,10 24,57 1,12 8

ZONA 4 19,60 26,10 24,24 1,21 7

ZONA 5 20,10 25,90 23,29 1,02 6


ZONA 1 99,00 1168,00 604,24 215,85 1069

ZONA 2 874,00 1888,00 1280,23 216,89 1014

ZONA 3 1558,00 2488,00 2001,24 220,56 930

ZONA 4 2328,00 3329,00 2713,65 195,26 1001

ZONA 5 2552,00 5092,00 3547,01 358,15 2540


ZONA 1 19,70 27,00 25,75 0,90 7

ZONA 2 19,30 26,90 25,44 1,07 8

ZONA 3 18,80 26,70 25,44 1,17 8

ZONA 4 20,00 26,60 25,01 1,18 7

ZONA 5 20,40 26,40 23,83 1,06 6


ZONA 1 19,30 25,30 23,32 0,79 6

ZONA 2 18,50 25,50 23,75 0,78 7

ZONA 3 18,20 25,80 23,74 1,09 8

ZONA 4 19,20 25,70 23,63 1,26 7

ZONA 5 19,80 25,50 22,84 1,03 6


ZONA 1 79,00 697,00 410,99 134,56 618

ZONA 2 449,00 1105,00 785,27 121,57 656

ZONA 3 635,00 1507,00 1133,61 158,68 872

ZONA 4 774,00 1728,00 1266,49 235,47 954

ZONA 5 945,00 1999,00 1357,67 308,42 1054


ZONA 1 0,00 111,00 18,17 18,20 111

ZONA 2 2,00 230,00 44,66 44,93 228

ZONA 3 10,00 398,00 95,16 81,44 388

ZONA 4 34,00 596,00 254,78 133,19 562

ZONA 5 224,00 1049,00 503,25 183,20 825

BIO16 - PRECIPITACION DEL TRIMESTRE MAS HUMEDO (mm)

BIO17 - PRECIPITACION DEL TRIMESTRE MAS SECO (mm)

BIO1 - TEMPERATURA MEDIA ANUAL (°C)

BIO12 - PRECIPITACION ANUAL (mm)

BIO10 - TEMPERATURA MEDIA DEL TRIMESTRE MAS CALIENTE (°C)

BIO11 - TEMPERATURA MEDIA DEL TRIMESTRE MAS FRIO (°C)



Anexo3. Tablas de precipitación media mensual acotada (54 Estaciones)

de la Base Climática de INAMHI.

ESTAC1ENER

O_PP

FEBRE

RO_PP

MARZ

O_PP

ABRIL

_PP

MAYO

_PP

JUNIO

_PP

JULIO_

PP

AGOS

TO_PP

SEPTIE

MBRE

OCTU

BRE_P

NOVIE

MBRE

DICIE

MBRE

ANCON_STA_ELENA 62,35 109,79 75,32 56,94 28,44 17,01 28,62 27,68 23,70 18,90 33,31 59,36

Libertad 16,55 105,05 86,31 18,20 2,26 0,21 0,61 0,29 0,57 0,74 0,60 1,70

MANTA_INOCAR 57,75 100,70 66,35 38,26 14,33 2,66 5,08 0,43 1,06 0,22 1,08 8,39

GYE_INOCAR 157,92 286,68 263,60 164,66 38,16 5,93 1,57 0,18 0,70 0,47 4,08 32,76

PUNA_INOCAR 99,63 199,00 141,73 79,86 24,64 4,13 0,60 0,10 0,39 1,11 5,81 22,45

PTO_BOLIVAR_INOCAR 91,12 167,01 155,50 79,73 26,13 8,35 6,09 3,54 2,95 6,32 6,62 25,19

PORTOVIEJO 95,56 139,88 131,79 78,43 30,84 9,05 3,15 2,16 2,64 1,91 5,32 25,95

PASAJE 155,03 193,20 182,41 112,00 42,81 33,61 30,51 28,20 30,94 44,94 38,92 70,62

GUAYAQUIL_AERO 191,07 325,31 300,80 181,09 50,87 6,70 3,53 0,37 0,72 1,23 6,07 39,66

MANTA_AEROPUERTO 60,68 105,00 86,87 42,97 23,24 4,58 1,07 0,75 0,59 0,83 1,75 8,57

CHONE 187,23 338,51 257,24 184,30 58,41 18,65 15,96 11,51 11,21 10,55 29,81 58,30

ROCAFUERTE 77,61 140,21 96,26 65,60 25,34 5,77 1,84 1,62 1,70 1,73 7,11 18,77

JAMA 110,14 181,12 107,59 91,78 42,54 22,85 9,30 1,52 4,52 4,53 17,59 31,86

JULCUY 92,05 141,31 121,51 77,50 28,73 7,71 1,86 2,00 1,08 0,90 3,33 19,09

NARANJAL 58,23 86,06 76,58 65,90 23,12 10,88 9,01 11,08 11,19 14,01 14,87 27,02

MACHALA-UTM 192,87 270,41 238,93 152,11 88,36 59,30 51,15 46,81 49,83 69,61 63,31 93,50

PORTOVIEJO_AEROPUERTO 85,26 108,19 107,75 65,80 30,01 7,17 2,61 2,30 2,94 1,37 4,53 20,36

24DE_MAYO(JABONCILLO) 152,43 247,67 239,05 180,90 75,32 21,75 7,84 1,26 2,49 4,29 18,35 38,76

LA_LAGUNA 36,23 82,04 69,70 42,90 10,38 10,26 2,83 3,28 3,80 2,27 3,76 13,70

SANCAN 79,39 133,73 126,34 88,14 28,00 6,88 2,09 1,52 1,81 1,36 3,54 23,45

CAMARONES-MANABI 57,24 92,32 73,88 32,68 18,15 14,00 7,91 7,71 7,12 8,04 5,73 15,63

EL_ANEGADO 132,01 194,26 189,46 150,61 101,72 54,31 36,78 25,46 30,33 29,45 37,74 61,19

CHORRILLOS 80,71 154,54 126,98 60,89 21,15 10,55 11,12 12,23 8,36 10,60 9,34 20,97

RIO_CHICO_EN_ALAJUELA 132,83 237,52 186,46 161,22 67,93 10,60 5,31 6,68 4,40 5,60 14,71 31,15

JOA-JIPIJAPA 66,84 86,18 86,18 71,73 40,29 9,58 3,98 5,02 3,25 1,27 4,15 22,28

PUERTO_CAYO 59,60 100,86 79,38 54,83 22,73 12,94 10,67 8,26 9,74 13,50 7,80 14,13

COLIMES_DE_PAJAN 176,81 269,63 273,15 215,29 100,35 23,25 9,90 3,51 5,74 3,51 9,93 48,16

SAN_PABLO-MANABI 219,33 395,21 380,98 368,04 205,08 88,98 60,27 31,13 26,40 22,14 21,59 73,46

JUNIN 177,68 261,70 214,41 177,56 55,68 11,72 8,16 5,95 2,44 3,85 10,72 50,97

COLIMES_DE_BALZAR-

INAMHI259,41 343,08 309,96 223,53 77,23 14,81 2,36 1,16 3,70 3,29 10,03 86,22

DAULE-EN_LA_CAPILLA-

INAMHI255,83 355,14 296,68 236,98 75,27 12,73 3,82 3,91 3,33 2,48 2,52 72,48

PUERTO_INCA(CAÑAR) 232,81 339,86 355,72 210,64 44,69 24,52 19,07 13,95 14,50 21,00 28,87 67,80

CHACRAS 64,32 141,86 105,24 66,79 14,47 2,06 0,50 0,57 0,77 1,77 2,54 6,19

BAHIA_DE_CARAQUEZ_AER 96,17 196,23 102,68 81,43 32,62 14,40 4,40 3,19 7,13 3,13 5,87 19,08

SAN_LORENZO_INOCAR 317,74 287,57 297,39 379,25 344,63 219,71 152,83 97,08 110,93 118,94 87,45 189,67

ESMERALDAS_INOCAR 136,46 179,75 130,43 113,02 72,40 48,42 27,73 10,42 16,61 14,32 18,98 40,64

PICHILINGUE 375,86 446,22 421,40 389,35 155,98 36,70 24,81 10,67 15,92 21,09 38,47 144,06

LA_CONCORDIA 462,32 576,83 590,59 635,59 336,54 135,06 74,05 46,39 65,94 68,16 64,26 200,43

PUERTO_ILA 424,63 500,52 504,60 509,69 232,59 92,48 55,84 36,77 55,68 62,27 68,86 209,84

SANTO_DOMINGO 443,71 478,15 527,11 436,67 278,17 131,71 92,82 49,71 99,72 95,37 102,18 224,14

MILAGRO_ING 241,05 404,56 362,10 214,07 69,84 14,43 7,81 0,70 4,07 2,70 9,43 63,20

BABAHOYO 348,09 530,10 484,49 350,96 112,95 28,66 7,45 3,30 7,10 5,47 29,03 115,83

ESMERALDAS_TACHINA 135,55 168,22 115,98 119,31 77,26 42,43 25,61 11,60 22,16 17,48 22,69 44,06

EL_CORAZON 351,19 410,79 437,86 346,32 172,76 46,98 23,66 18,03 33,67 51,11 62,72 196,76

SAN_JUAN_LA_MANA 448,05 548,53 558,43 503,44 255,08 60,57 37,62 30,27 25,46 42,16 56,42 224,75

CAYAPAS 434,89 371,39 398,07 428,91 420,53 285,03 209,60 132,80 209,09 186,55 115,77 204,92

OLMEDO-MANABI 281,76 370,80 344,18 297,92 114,34 22,12 10,03 2,53 12,53 19,11 17,56 91,76

ZARUMA 228,67 316,89 291,80 228,80 90,17 20,76 6,33 3,95 16,33 33,20 53,29 131,54

INGENIO-SAN_CARLOS 311,63 394,97 440,58 287,85 107,64 25,71 12,33 3,46 5,83 3,78 20,06 57,60

SAGUE_(SANMATEO) 159,72 204,90 130,58 132,53 103,44 51,95 36,62 21,85 35,54 24,10 30,61 47,44

ZAPOTE 227,61 373,69 313,34 282,21 90,15 28,56 12,23 10,26 6,98 6,51 14,37 58,00

RIO_CHAMOTETE-

JESUS_MARIA201,86 276,91 259,13 203,22 82,38 20,48 13,12 11,39 5,45 8,30 9,44 58,34

VENTANAS_INAMHI 482,77 499,78 498,17 395,46 156,66 28,93 18,33 1,73 4,63 14,65 33,93 160,60

VINCES_INAMHI 285,78 361,64 294,52 280,18 106,45 17,76 9,32 2,48 7,66 7,64 23,70 122,58



Anexo4. Tablas de temperatura media mensual acotada (18 Estaciones)

de la Base Climática de INAMHI.

Anexo5. Tablas transpuesta de precipitación y temperatura media

mensual acotada y estandarizada (16 Estaciones) de la Base Climática de

INAMHI.

ESTACene_

tmax

feb_t

max

mar_

tmax

abr_t

max

may_

tmax

jun_t

max

jul_t

max

Ago_

tmax

Sep_

tmax

Oct_t

max

Nov_

tmax

Dic_t

max

ene_

tmin

feb_t

min

mar_

tmin

abr_t

min

may_

tmin

jun_t

min

jul_t

min

Ago_

tmin

Sep_

tmin

Oct_t

min

Nov_

tmin

Dic_t

min

Libertad 28,31 29,32 29,47 29,11 27,52 25,07 23,89 23,02 23,39 23,78 24,56 26,54 23,69 24,59 24,61 23,87 23,01 21,54 20,68 19,98 20,10 20,72 21,20 22,29

MANTA_INOCAR 29,49 29,74 30,05 30,09 29,83 28,75 28,26 27,93 27,83 28,03 28,42 29,18 22,99 23,36 23,47 23,24 22,75 21,77 21,15 20,66 20,69 21,10 21,43 22,21

GYE_INOCAR 31,84 31,44 32,23 32,36 31,55 30,11 29,35 29,51 30,18 30,15 30,70 31,69 23,08 23,42 23,65 23,45 22,66 21,36 20,75 20,31 20,52 21,06 21,36 22,15

PUNA_INOCAR 30,79 30,58 31,19 31,31 30,39 28,81 27,78 27,61 28,12 28,09 28,78 30,26 22,68 22,90 23,09 23,05 22,50 21,35 20,61 20,19 20,24 20,63 21,13 21,96

SAN_LORENZO_INOCAR 30,38 30,85 31,39 31,24 30,61 30,16 29,99 29,96 29,95 30,07 30,08 30,08 21,80 21,99 22,16 22,22 22,14 21,97 21,56 21,78 21,81 21,83 22,02 21,90

PTO_BOLIVAR_INOCAR 28,32 28,80 29,05 28,88 27,87 26,17 25,07 24,55 24,71 25,04 25,68 27,06 24,14 24,28 24,62 24,63 24,21 22,84 21,94 21,44 21,54 21,92 22,51 23,47

ESMERALDAS_INOCAR 29,54 29,70 30,09 30,18 30,11 30,03 29,85 29,74 29,49 29,64 29,57 29,51 23,06 23,13 23,18 23,43 23,38 23,03 22,75 22,63 22,50 22,81 22,74 23,08

PORTOVIEJO 34,80 34,10 34,63 34,91 34,49 33,91 33,48 33,78 34,04 34,07 34,43 34,50 19,93 20,62 20,70 20,41 19,70 19,36 18,42 18,03 18,53 18,82 18,51 18,71

PICHILINGUE 33,26 32,97 33,65 33,55 32,88 32,25 31,87 32,62 33,79 33,75 34,15 34,05 20,49 20,83 21,10 21,05 20,43 19,38 18,30 17,82 18,77 19,20 19,17 19,67

LA_CONCORDIA 32,13 32,26 32,80 32,63 32,14 31,51 31,16 31,82 32,12 31,91 32,20 32,36 19,81 20,14 20,35 20,35 20,13 19,43 18,55 18,42 19,19 19,34 18,98 19,36

PUERTO_ILA 32,05 32,20 32,73 32,58 32,12 30,90 30,76 31,52 31,97 31,62 32,29 32,27 19,88 20,16 20,40 20,46 19,97 19,18 18,40 18,35 18,85 18,74 18,71 19,11

SANTO_DOMINGO 29,97 30,02 30,80 30,64 30,19 29,49 28,87 29,76 29,71 29,33 30,02 30,15 18,79 18,90 19,20 19,18 18,90 18,34 17,62 17,13 16,90 17,74 17,62 18,30

MILAGRO_ING 33,60 32,83 33,42 33,50 33,07 32,16 31,83 31,99 32,76 33,04 33,31 33,92 20,85 21,20 21,40 21,37 20,56 19,52 18,68 18,63 19,03 19,36 19,59 20,17

BABAHOYO 33,55 32,91 33,33 33,38 32,87 31,64 31,46 31,65 32,28 32,63 33,29 33,99 20,99 21,49 21,91 21,89 21,14 20,14 19,40 19,08 19,57 19,72 19,99 20,66

GUAYAQUIL_AERO 34,92 34,04 34,63 34,59 33,82 32,98 32,49 32,53 33,08 33,59 33,92 34,94 21,19 21,87 22,12 21,94 20,99 19,92 19,13 19,02 19,30 19,85 20,11 20,70

ESMERALDAS_TACHINA 31,84 31,36 31,90 31,91 31,81 31,69 31,61 32,20 32,09 32,81 32,19 31,83 20,95 21,11 20,99 21,64 21,20 20,89 20,64 20,45 20,59 20,55 20,44 19,99

MACHALA_AER 33,01 33,37 33,86 33,77 32,81 31,16 29,89 29,68 29,41 30,09 30,88 32,44 21,45 21,85 22,08 22,13 21,48 20,12 19,63 19,41 19,42 19,92 20,45 21,03

SAN_CRISTOB 30,89 32,11 32,61 31,75 30,61 29,07 27,83 26,69 26,95 27,26 28,08 29,39 21,05 21,02 20,86 20,58 20,49 19,85 18,75 18,13 18,25 17,95 19,22 19,75

ESTAC1 LibertadMANTA_

INOCAR

GYE_INO

CAR

PUNA_I

NOCAR

PTO_BO

LIVAR_I

NOCAR

PORTOV

IEJO

GUAYAQ

UIL_AER

O

SAN_LO

RENZO_

INOCAR

ESMERAL

DAS_INO

CAR

PICHILIN

GUE

LA_CON

CORDIA

PUERTO

_ILA

SANTO_

DOMING

O

MILAGR

O_ING

BABAH

OYO

ESMERAL

DAS_TAC

HINAENERO_PP 0,00 0,09 0,32 0,19 0,17 0,18 0,39 0,68 0,27 0,81 1,00 0,92 0,96 0,50 0,74 0,27

FEBRERO_PP 0,01 0,00 0,39 0,21 0,14 0,08 0,47 0,39 0,17 0,73 1,00 0,84 0,79 0,64 0,90 0,14

MARZO_PP 0,04 0,00 0,38 0,14 0,17 0,12 0,45 0,44 0,12 0,68 1,00 0,84 0,88 0,56 0,80 0,09

ABRIL_PP 0,00 0,03 0,24 0,10 0,10 0,10 0,26 0,58 0,15 0,60 1,00 0,80 0,68 0,32 0,54 0,16

MAYO_PP 0,00 0,04 0,10 0,07 0,07 0,08 0,14 1,00 0,20 0,45 0,98 0,67 0,81 0,20 0,32 0,22

JUNIO_PP 0,00 0,01 0,03 0,02 0,04 0,04 0,03 1,00 0,22 0,17 0,61 0,42 0,60 0,06 0,13 0,19

JULIO_PP 0,00 0,03 0,01 0,00 0,04 0,02 0,02 1,00 0,18 0,16 0,48 0,36 0,61 0,05 0,05 0,16

AGOSTO_PP 0,00 0,00 0,00 0,00 0,04 0,02 0,00 1,00 0,11 0,11 0,48 0,38 0,51 0,01 0,03 0,12

SEPTIEMBRE_PP 0,00 0,01 0,00 0,00 0,02 0,02 0,00 1,00 0,15 0,14 0,59 0,50 0,90 0,03 0,06 0,20

OCTUBRE_PP 0,00 0,00 0,00 0,01 0,05 0,01 0,01 1,00 0,12 0,18 0,57 0,52 0,80 0,02 0,04 0,15

NOVIEMBRE_PP 0,00 0,00 0,03 0,05 0,06 0,05 0,05 0,86 0,18 0,37 0,63 0,67 1,00 0,09 0,28 0,22

DICIEMBRE_PP 0,00 0,03 0,14 0,09 0,11 0,11 0,17 0,85 0,18 0,64 0,89 0,94 1,00 0,28 0,51 0,19

ene_tmax 0,00 0,18 0,53 0,38 0,00 0,98 1,00 0,31 0,19 0,75 0,58 0,57 0,25 0,80 0,79 0,53

feb_tmax 0,10 0,18 0,50 0,33 0,00 1,00 0,99 0,39 0,17 0,79 0,65 0,64 0,23 0,76 0,78 0,48

mar_tmax 0,08 0,18 0,57 0,38 0,00 1,00 1,00 0,42 0,19 0,82 0,67 0,66 0,31 0,78 0,77 0,51

abr_tmax 0,04 0,20 0,58 0,40 0,00 1,00 0,95 0,39 0,22 0,78 0,62 0,61 0,29 0,77 0,75 0,50

may_tmax 0,00 0,33 0,58 0,41 0,05 1,00 0,90 0,44 0,37 0,77 0,66 0,66 0,38 0,80 0,77 0,61

jun_tmax 0,00 0,42 0,57 0,42 0,12 1,00 0,89 0,58 0,56 0,81 0,73 0,66 0,50 0,80 0,74 0,75

jul_tmax 0,00 0,46 0,57 0,41 0,12 1,00 0,90 0,64 0,62 0,83 0,76 0,72 0,52 0,83 0,79 0,81

Ago_tmax 0,00 0,46 0,60 0,43 0,14 1,00 0,88 0,65 0,62 0,89 0,82 0,79 0,63 0,83 0,80 0,85

Sep_tmax 0,00 0,42 0,64 0,44 0,12 1,00 0,91 0,62 0,57 0,98 0,82 0,81 0,59 0,88 0,84 0,82

Oct_tmax 0,00 0,41 0,62 0,42 0,12 1,00 0,95 0,61 0,57 0,97 0,79 0,76 0,54 0,90 0,86 0,88

Nov_tmax 0,00 0,39 0,62 0,43 0,11 1,00 0,95 0,56 0,51 0,97 0,77 0,78 0,55 0,89 0,89 0,77

Dic_tmax 0,00 0,31 0,61 0,44 0,06 0,95 1,00 0,42 0,35 0,89 0,69 0,68 0,43 0,88 0,89 0,63

ene_tmin 0,91 0,78 0,80 0,73 1,00 0,21 0,45 0,56 0,80 0,32 0,19 0,20 0,00 0,39 0,41 0,40

feb_tmin 1,00 0,78 0,79 0,70 0,95 0,30 0,52 0,54 0,74 0,34 0,22 0,22 0,00 0,41 0,46 0,39

mar_tmin 1,00 0,79 0,82 0,72 1,00 0,28 0,54 0,55 0,73 0,35 0,21 0,22 0,00 0,41 0,50 0,33

abr_tmin 0,86 0,74 0,78 0,71 1,00 0,22 0,51 0,56 0,78 0,34 0,21 0,23 0,00 0,40 0,50 0,45

may_tmin 0,77 0,73 0,71 0,68 1,00 0,15 0,39 0,61 0,84 0,29 0,23 0,20 0,00 0,31 0,42 0,43

jun_tmin 0,68 0,73 0,64 0,64 0,96 0,22 0,34 0,77 1,00 0,22 0,23 0,18 0,00 0,25 0,38 0,54

jul_tmin 0,60 0,69 0,61 0,58 0,84 0,16 0,29 0,77 1,00 0,13 0,18 0,15 0,00 0,21 0,35 0,59

Ago_tmin 0,52 0,64 0,58 0,56 0,78 0,16 0,34 0,85 1,00 0,13 0,23 0,22 0,00 0,27 0,35 0,60

Sep_tmin 0,57 0,68 0,65 0,60 0,83 0,29 0,43 0,88 1,00 0,34 0,41 0,35 0,00 0,38 0,48 0,66

Oct_tmin 0,59 0,66 0,66 0,57 0,82 0,21 0,42 0,81 1,00 0,29 0,32 0,20 0,00 0,32 0,39 0,56

Nov_tmin 0,70 0,75 0,73 0,69 0,96 0,17 0,49 0,86 1,00 0,30 0,27 0,21 0,00 0,39 0,46 0,55

Dic_tmin 0,77 0,76 0,75 0,71 1,00 0,08 0,46 0,70 0,92 0,27 0,21 0,16 0,00 0,36 0,46 0,33



Anexo6. Mapa de las 54 estaciones del primer ensayo de clustering

(Precipitación) y Tabla de cluster.



NID ESTACION CLUSTER

1 ANCON_STA_ELENA 2

2 Libertad 2

3 MANTA_INOCAR 2

4 GYE_INOCAR 1

5 PUNA_INOCAR 2

6 PTO_BOLIVAR_INOCAR 2

7 PORTOVIEJO-UTM 2

8 PASAJE 2

9 GUAYAQUIL_AEROPUERTO 1

10 MANTA_AEROPUERTO 2

11 CHONE 1

12 ROCAFUERTE 2

13 JAMA 2

14 JULCUY 2

15 NARANJAL 2

16 MACHALA-UTM 1

17 PORTOVIEJO_AEROPUERTO 2

18 24DE_MAYO(JABONCILLO) 1

19 LA_LAGUNA 2

20 SANCAN 2

21 CAMARONES-MANABI 2

22 EL_ANEGADO 2

23 CHORRILLOS 2

24 RIO_CHICO_EN_ALAJUELA 2

25 JOA-JIPIJAPA 2

26 PUERTO_CAYO 2

27 COLIMES_DE_PAJAN 1

28 SAN_PABLO-MANABI 1

29 JUNIN 1

30 COLIMES_DE_BALZAR-INAMHI 1

31 DAULE-EN_LA_CAPILLA-INAMHI 1

32 PUERTO_INCA(CAÑAR) 1

33 CHACRAS 2

34 BAHIA_DE_CARAQUEZ_AER 2

35 SAN_LORENZO_INOCAR 3

36 ESMERALDAS_INOCAR 2

37 PICHILINGUE 1

38 LA_CONCORDIA 3

39 PUERTO_ILA 3

40 SANTO_DOMINGO_AEROPUERTO 3

41 MILAGRO(INGENIO_VALDEZ) 1

42 BABAHOYO 1

43 ESMERALDAS_TACHINA 2

44 EL_CORAZON 1

45 SAN_JUAN_LA_MANA 3

46 CAYAPAS 3

47 OLMEDO-MANABI 1

48 ZARUMA 1

49 INGENIO-SAN_CARLOS 1

50 SAGUE_(SANMATEO) 2

51 ZAPOTE 1

52 RIO_CHAMOTETE-JESUS_MARIA 1

53 VENTANAS_INAMHI 3

54 VINCES_INAMHI 1



Anexo7. Mapa de las 16 estaciones del segundo ensayo de clustering

(precipitación y temperatura) y Tabla de cluster.



Anexo8. Código de R del dendrograma para determinar el número de

Clusters.

NID ESTAC1 CLUSTER

1 Libertad 1

2 MANTA_INOCAR 1

3 GYE_INOCAR 1

4 PUNA_INOCAR 1

5 PTO_BOLIVAR_INOCAR 1

6 PORTOVIEJO 1

7 GUAYAQUIL_AERO 1

8 SAN_LORENZO_INOCAR 2

9 ESMERALDAS_INOCAR 1

10 PICHILINGUE 2

11 LA_CONCORDIA 3

12 PUERTO_ILA 3

13 SANTO_DOMINGO 3

14 MILAGRO_ING 2

15 BABAHOYO 2

16 ESMERALDAS_TACHINA 1



Anexo 9. Tablas y gráficos de Vector Regional

ZONA 1

GRUPO 1

Índices anuales correspondientes al mes de Enero Índices anuales correspondientes al mes de Febrero

Índices anuales correspondientes al mes de Marzo Índices anuales correspondientes al mes de Abril

Índices anuales correspondientes al mes de Mayo Índices anuales correspondientes al mes de Junio



Índices anuales correspondientes al mes de Julio Índices anuales correspondientes al mes de Agosto

Índices anuales correspondientes al mes de Septiembre Índices anuales correspondientes al mes de Octubre

Índices anuales correspondientes al mes de Noviembre Índices anuales correspondientes al mes de Diciembre



GRUPO 2






ZONA 2

GRUPO 1






GRUPO 2



Índices anuales correspondientes al mes deMayo Índices anuales correspondientes al mes de Junio



ZONA 3






ZONA 4






Anexo 10. Tablas de Correlación de las Zonas con el Vector Regional

ANEXO

CORRELACIONES DEL VECTOR REGIONAL CON LAS ZONAS

ZONA 2



ZONA 3

ZONA 4

regionalizacion litoral ecuatoriano

Documents